Lumière sur les Dark Stores

Explorations géographiques et économiques

Eulalie Creusé, Hugo Hebel, Baptiste Jablonski, Maryam-Sadat Samaei, Thiago Turri-Tavares

ENPC - LMTMA

Février - Mai 2022

Table des matières

Propos introductifs 4

1 Dark Stores : acteurs, origine, contexte parisien 4

2 Objectifs de l’étude 5

3 État de l’art 5

I Localisation et caractéristiques organisationnelles des Dark Stores 8

1 Cartographie des Dark Stores 8

2 Facteurs de localisation 9

3 Profil organisationnel 13

II Chiffrage de la structure coûts / recettes d’une Dark Store 20

1 Structure retenue 20

2 Observations de terrain 21

3 Niveaux de prix 23

4 Entretiens 24

5 Recherches documentaires complémentaires 25

III Modèle économique d’une Dark Store : mise en oeuvre et résultats 30

1 Résultats du modèle 30

2 Conditions de rentabilité 31

Conclusion et trajectoires possibles 34

Annexes 36

A Quelques références journalistiques 36

B Base de données de l’analyse statistique 37

C Panier de biens 39

D Bases de données LinkedIn 40

2
 Ce travail a été réalisé dans le cadre du module LMTMA de l’École Nationale des Ponts et
Chaussées. L’équipe de recherche est un groupe de cinq étudiants, en scolarité à l’ENPC ainsi
qu’à l’École d’Urbanisme de Paris (EUP). Elle a été encadrée par Mmes Corinne Blanquart,
Laetitia Dablanc et Heleen Buldeo Rai.

3
Propos introductifs
1 Dark Stores : acteurs, origine, contexte parisien
Le 7 mars 2022, Emmannuel Grégoire, premier adjoint à la Ville de Paris en charge de lŠurba-
nisme, a annoncé à la presse vouloir fermer 45 Dark Stores contrevenant aux règles déĄnies par
le Plan Local dŠUrbanisme (PLU). Le premier adjoint justiĄe sa décision par ce quŠil considère
être une qualiĄcation inadéquate des Dark Stores en ń commerce ż, alors quŠil estime que ce
sont des ń entrepôts ż. Ce problème de qualiĄcation illustre les incertitudes autour de la ques-
tion des Dark Stores, de leur déĄnition et de leur impact. La croissance rapide de ce modèle de
distribution à domicile, né peu avant la crise sanitaire, a été fortement médiatisée, alors que ses
conséquences notamment sur le tissu urbain sont encore inconnues. LŠentrée de ces nouveaux
acteurs a donc fait émerger la question de leur régulation dans le débat public, en témoignent les
réunions publiques organisées par la Ville de Paris avec ses administrés. LŠavenir apparaît donc
comme incertain pour ces entreprises, usant de pratiques entourées dŠun certain Ćou juridique.

Le mot Dark Store désigne un local, un entrepôt organisé de façon similaire à celui dŠune
supérette, mais qui nŠaccueille pas physiquement de clients. Les commandes sont réalisées en
ligne, sur lŠapplication ou plus rarement le site de lŠentreprise, puis livrées sur des délais très
courts, de lŠordre de la quinzaine de minutes. Cette double particularité - supérettes fantômes,
délais de livraison - permet de les différencier de modèles plus anciens, à lŠinstar des cybermar-
chés apparus dans les années 80. Les entreprises du secteur sont jeunes et internationales : Getir
(2015, Turquie), Frichti (France, 2015), Gorillas (Allemagne, 2020), Flink (2021, Allemagne),
Cajoo (2021, France), etc. Elles se livrent à une course aux parts de marché dans un secteur
concurrentiel et en phase de concentration (rachats récents de Cajoo par Flink et Frichti par
Gorillas).

Les dispositifs de livraison utilisés par les Dark Stores font par ailleurs écho à celui de la
livraison à domicile de plats cuisinés, apparu quelques années plus tôt, et désormais fortement
implanté dans les grandes villes françaises. Les deux impliquent en effet une commande en ligne,
ainsi quŠune livraison à domicile, à vélo ou en scooter. Des entreprises comme Deliveroo, ou Uber
Eats, ont ainsi pu rapidement dominer ce marché, proposant des services Ąables et peu coûteux.
Bien plus jeune, et disposant de lŠexpérience de ce marché voisin, les directions des entreprises
de Dark Stores en ont repris les principales caractéristiques pour les appliquer à la livraison de
produits dŠépicerie. Cependant, au lieu dŠuser des restaurants ou des magasins déjà existants
comme points de distribution, les Dark Stores ont décidé dŠuser dŠun réseau propre dŠentrepôts,
disséminés dans lŠensemble du tissu urbain.

Une étude plus poussée de ce nouveau marché soulève de nombreuses questions, notamment
concernant les choix dŠemplacement des magasins, mais aussi sur son modèle économique de
manière plus générale. De par sa jeunesse ainsi que lŠimportante concurrence sur ce marché, le
phénomène reste assez opaque pour les chercheurs ainsi que les décideurs politiques.

Note grammaticale : Cette incertitude se prolonge au travers de la sémantique utilisée par

les acteurs. LŠusage de lŠanglicisme Dark Store, neutre en anglais, donne lieu à un débat sur le
genre à utiliser en français. Nous-mêmes nŠavons pas tranché la question. Il sera donc utilisé
indifféremment dans ce rapport le masculin et le féminin pour désigner les Dark Stores.

4
2 Objectifs de l’étude
Notre démarche est à lŠimage de ce modèle émergent. Nous avons réalisé de nombreuses
recherches et observations nous permettant dŠappréhender la "boîte noire" que sont pour nous
les acteurs de ce marché. De cette démarche exploratoire, nous avons pu sélectionner deux axes
de recherche, lŠun géographique, et lŠautre économique. Cela nous amène à nous poser deux
questions : Quels sont les déterminants de la localisation des Dark Stores ? Leur modèle est-il
économiquement viable ? Nous avons souhaité répondre à ces questions en prenant pour zone
dŠétude Paris. Zone urbaine dense de manière assez homogène, elle a été en France le premier
endroit dŠimplantation des Dark Stores, et où le marché est encore en plein essor. Nous avons par
ailleurs décidé de ne pas prendre en compte les couronnes parisiennes, du fait de caractéristiques
différentes dans leur morphologie urbaine, pouvant inĆuencer les stratégies dŠentreprises.

Comprendre comment fonctionne le modèle des Dark Stores en centre-ville parisien est donc
notre objectif principal. De là découle deux dimensions que nous souhaitons étudier aĄn de
mieux appréhender son fonctionnement.

La première dimension est géographique : nous cherchons ici à comprendre comment les
entreprises ont choisi les emplacements de leurs Dark Stores. Ici, le traitement principal est
statistique : en partant des coordonnées des Dark Stores, nous avons testé un certain nombre
de variables pouvant expliquer leur localisation. Ce travail est précédé dŠune présentation car-
tographique de leurs emplacements.

La seconde dimension que nous avons souhaité aborder est plus opérationnelle, cherchant à
appréhender la structure des coûts et des revenus de ces entreprises. Le principal travail réalisé
ici est une modélisation des revenus dŠun Dark Store, en prenant pour base un chiffrage construit
par nos soins. Ce chiffrage a été réalisé sur la base dŠobservations et dŠentretiens auprès de la
direction opérationnelle de certains Dark Stores, que nous avons complétés par une recherche
documentaire.

3 État de l’art
3 .1 Presse
LŠessor des Dark Stores et de leurs livraisons en moins de quinze minutes a débuté en France
avec lŠépidémie de Covid-19. En France, ces nouveaux quick commerçants sont le français Cajoo,
les allemands Gorillas et Flink, le turc Getir, lŠespagnol Glovo, la start-up tchèque Rohlik, le
britannique Dija ou encore GoPuff, Yango Deli, Zapp et Bam Courses.

Selon les statistiques, entre août 2021 et janvier 2022 le nombre de Dark Stores à Paris et en
banlieue a augmenté et dépasse désormais les 80 locaux [1]. Son taux de croissance entre 2020
et 2021 est de 86% [2], et en 2020, les courses alimentaires livrées à domicile ont augmenté de
45% en France [3].

Le nombre dŠarticles de presse publiés chaque année concernant les Dark Stores est représenté
Ągure 1 (courbe construite par nos soins à partir des résultats europress). Il est intéressant de
noter que ce nombre explose ces deux dernières années, après des apparitions limités depuis le
début des années 2010 : 71 articles en 2020, 559 en 2021 puis 631 en 2022 alors que nous ne
sommes quŠà la moitié de lŠannée.

5
 Figure 1 Ű Nombre dŠarticles de presses mentionnant les Dark Stores, par an

Dans ce qui suit, nous donnons un aperçu des articles de presse publiés au cours des trois
derniers mois au sujet de ces enseignes. La plupart de ces articles sont critiques des Dark Stores,
et beaucoup dŠentre eux font état de plaintes de citadins voisins.

Commerce ou Dark Store ?

Les Dark Store se qualiĄent tantôt dŠentrepôts, tantôt de commerces. Selon la loi, dès lors
quŠils sont seulement utilisés pour la livraison, ils doivent être considérés comme des entrepôts.
Ainsi, lorsquŠun Dark Store sŠinstalle dans un ancien supermarché ou une ancienne supérette, il
doit normalement procéder à un changement de destination des locaux [3].

En revanche, si le Dark Store exerce également une activité de drive (piétonnier ou non)
permettant le retrait des commandes sur place par le client, alors il est considéré comme un
commerce au regard de la législation et il nŠa donc pas à procéder à un changement de destina-
tion. Le comptoir de retrait de marchandises doit avoir des horaires dŠouverture habituels cor-
respondant à ceux dŠun commerce alimentaire, lŠouverture ne devant pas être limitée à quelques
heures et constituer ainsi un moyen détourné dŠêtre considéré comme un commerce [3].

Ce règlement incite les Dark Stores à ouvrir leurs locaux au public, au moins sur une surface
réduite à un comptoir de collecte des commandes [3]. Cependant, bon nombre de ces Dark Stores
fonctionnent de manière illégale. Sur les 65 Dark Stores de Paris, 45 dŠentre eux nŠavaient pas
demandé dŠautorisation pour changer lŠaffectation du local commercial en entrepôt. Le service
de lŠurbanisme a considéré leur activité comme illégale [1].

Enjeux sociaux et urbains

Dans les grandes villes comme Paris, Lyon et Lille, les Dark Stores constituent un sujet de
mécontentement pour les riverains et les commerçants. Elles transformeraient les villes en villes-
entrepôts, sans vitrine, où chacun reste chez soi. Elles seraient de plus des concurrents directs
des supérettes et des petits commerces. EnĄn, les articles posent la question du manque dŠani-
mation dans les rues et de la perte de lien social que pourraient générer ces nouveaux acteurs
de la livraison [1].

6
 Les allées et venues incessantes des livreurs sur de larges plages horaires, lŠoccupation de
lŠespace public par les livreurs en attente de commandes et les nuisances sonores dues à leurs
discussions, les problèmes dŠesthétique des façades des locaux concernés, la prolifération des
poubelles sur la voie publique ou les perturbations du traĄc routier sont dŠautres facteurs pro-
voquant la colère de certains riverains [4][3].

Ces protestations ne se limitent pas à la France, dŠautres métropoles occidentales sont concer-
nées. Par exemple, aux Pays-Bas, après Rotterdam, Amsterdam vient dŠannoncer un gel dŠun
an de lŠinstallation de nouvelles Dark Stores [5].

Conditions de travail
Le respect inégal du code du travail par ces nouveaux acteurs, parfois peu regardants sur le
statut de leurs employés, contribue au regard critique exercé par les articles que nous avons lus
[6]. Le stress auquel sont exposés les livreurs, avec des livraisons imposées en un temps record,
est une des préoccupations relevées [6].

3 .2 Recherche et littérature grise

Les propos introductifs comme la revue de presse précédente illustrent la jeunesse du sujet
ń Dark Stores ż. Les problématiques quŠelles suscitent, dans le débat comme dans la recherche,
datent dŠun à deux ans. La recherche sur le sujet est donc restreinte. Nous avons recensé deux
principaux auteurs français.

Le premier est lŠAPUR, avec sa publication Drive Piétons, Dark Kitchens, Dark Store - Les
nouvelles formes de la distribution alimentaire à Paris datant de février 2022. Dans ce docu-
ment, lŠAtelier Parisien de lŠUrbanisme dresse un état des lieux sur les Dark Stores en région
parisienne, décrivant une course à lŠimplantation illustrée par une cartographie des locaux que
lŠon reprendra dans la suite. Les auteurs recensent 80 Dark Stores dont 60 dans Paris intra-
muros et pointent lŠimportance des levées de fonds et du développement de partenariats pour
ces acteurs. Ils analysent les occupations antérieures des locaux quŠils investissent et leur répar-
tition géographique, concluant que "les Dark Stores sŠinstallent donc dans des secteurs denses
en population mais pas nécessairement dans les quartiers moins bien achalandés en commerces
alimentaires". Nous chercherons à vériĄer ces conclusions qualitatives en apportant dŠautres élé-
ments plus quantitatifs.

Le deuxième est Heleen Buldeo Rai, post-doctorante au Laboratoire Ville Mobilité Transport
de lŠUniversité Gustave Eiffel, et dont certains articles sont à paraître. Elle nous a donné accès
à ces derniers ainsi quŠà certaines de ses données.

7
Première partie
Localisation et caractéristiques
organisationnelles des Dark Stores
1 Cartographie des Dark Stores
Ce projet a étudié lŠemplacement des Dark Stores à Paris pour évaluer lŠimportance relative
dŠeffets dŠopportunité et de certaines caractéristiques dŠun quartier dans le choix de lŠemplace-
ment dŠun entrepôt. Pour atteindre ces objectifs, nous avons recensé ou construit trois carto-
graphies de la répartition des Dark Stores, à savoir : le rapport de lŠAPUR (Atelier Parisien
dŠUrbanisme), dont on a déjà parlé dans lŠétat de lŠart, la base de données Google Maps et la
base de données du site societe.com. Ces trois cartographies présentent des avantages et des
inconvénients différents, en particulier dans un contexte dŠessor du secteur et dŠouvertures /
fermetures régulières des entrepôts.

1 .1 Étude de l’APUR
LŠétude développée par lŠAPUR dresse un états de lieux des drives piétons, Dark Kitchens et
Dark Stores, et présente plusieurs résultats regardant des thématiques de localisation telles que
la relation entre le choix dŠinstallation dŠun entrepôt et la densité de population du secteur, des
facteurs historiques, ou lŠemplacement des Dark Stores principalement au rez-de-chaussée des
bâtiments et la génération de bruit qui en résulte. Par ailleurs, le rapport de lŠAPUR présente
une carte montrant la localisation des 80 Dark Stores recensées, sur laquelle ils superposent leurs
zones de livraison théoriques de 2 km et la densité de population de Paris (voir Ągure 2).

Figure 2 Ű Carte dŠimplantation et zone de livraison de dark stores - APUR

Malgré ces éléments, nous avons rencontré certaines limites dans lŠutilisation de cet outil
pour notre recherche, à commencer par le manque dŠinformations sur les adresses des entrepôts,
puisque la carte réalisée par lŠAPUR nŠindique que la macro-localisation des établissements. De
plus, lŠétude a été publiée en février 2022 et elle est donc moins à jour que les autres outils
disponibles.

8
1 .2 Outil Google Maps
Une autre option pour cartographier lŠemplacement des Dark Stores consiste à consulter la
base de données Google Maps. Nous avons utilisé cet outil pour identiĄer non seulement des
macro-localisations mais aussi les adresses des entrepôts. Pourtant, les recherches nŠont identiĄé
que 38 établissements, dont seulement 32 correspondent aux 60 entrepôts cartographiés par le
rapport de lŠAPUR. Cela indique que, malgré le fait que cet outil fournisse lŠadresse exacte des
Dark Stores (information utile pour lŠétude des facteurs de localisation), il sŠagit dŠune base de
données qui nŠest pas tout à fait à jour. Le tableau que nous avons réalisé avec les données de
localisation des établissements à Paris est disponible dans les annexes de ce travail.

1 .3 Base de données societe.com

Une troisième option de recherche consiste à consulter la base de données du site societe.
com. Ce site, créé en 1999, regroupe les informations issues de lŠInstitut National de la Propriété
Industrielle (INPI), de lŠInstitut National de la Statistique et des Études Économiques (INSEE)
et du Registre National du Commerce et des Sociétés RCS).

Ainsi, nous identiĄons 69 entrepôts de Dark Stores localisés dans les 20 arrondissements de
Paris, un résultat qui représente 31 établissements de plus que lŠoutil Google Maps et 9 établisse-
ments de plus que le rapport APUR. Les résultats ne sont pas parfaits, car par exemple certains
locaux déclarés sur le site sont des lieux de stockage (cartons, vélos, etc.) et pas des Dark Stores
proprement dits. Cependant, il sŠagit de la meilleure des trois méthodes examinées. Pour cette
raison, lŠanalyse statistique conduite dans ce rapport se base sur les données obtenues grâce à
lŠoutil societe.com.

La Ągure 3 montre la répartition des entrepôts dans Paris. Cette carte, réalisée via la plate-
forme Google Maps et avec les données de societe.com, est mise à disposition par un employé
des fonctions support dŠun des Dark Stores étudiés.

2 Facteurs de localisation
2 .1 Collecte de données
Une fois la localisation des entrepôts Dark Stores obtenue via lŠoutil societe.com, lŠétape
suivante du projet consiste en lŠétude statistique proprement dite. Nous étudions les relations
entre les caractéristiques des zones où se sont implantés les entrepôts et le nombre de Dark
Stores installés. Les caractéristiques retenues dans cette étude sont :

Ů Population : les valeurs correspondant à la population de chaque arrondissement sont

celles de lŠenquête statistique "Recensement de la population : populations légales en vi-
gueur à partir du 1er janvier 2020", réalisée par lŠINSEE en 2017.

Ů Densité : les données de densité proviennent de la même source que les données de
population, le rapport INSEE présentant des valeurs de population et de surface pour
chaque arrondissement. À partir de ces informations, il a été possible de déterminer la
densité des quartiers (habitants/m2).

Ů Revenu moyen : le revenu annuel moyen en euros par individu est également issu de
lŠenquête réalisé par lŠINSEE, qui donne les valeurs correspondant à chaque arrondisse-
ment de Paris.

9
Figure 3 Ű Carte de localisation des Dark Stores selon les données collectées sur societe.com

Ů Loyer moyen : en lŠabsence de données et dŠoffres locatives dŠétablissements commer-

ciaux en nombre suffisant, nous avons décidé de nous baser sur les loyers résidentiels
malgré une corrélation incertaine entre loyers résidentiels et loyers commerciaux. Nous
nous sommes basés sur le loyer moyen des maisons et appartements des rues correspon-
dant aux adresses des Dark Stores analysés. Pour cela, nous avons utilisé les sites internet
de courtiers immobiliers tels que SeLoger et MeilleursAgents. Les données sont fournies
en euros par m2 et par mois.

2 .2 Analyse statistique
AĄn dŠanalyser la distribution des entrepôts de Dark Stores à Paris, et de tester leur cor-
rélation avec les quatre variables choisies, les données de population, densité, loyer moyen et
revenu moyen ont été normalisées. Les Ągures 4 à 7 représentent graphiquement la répartition
de ces valeurs entre les 20 arrondissements et permettent également dŠobserver qualitativement
la relation entre ces paramètres et la distribution du nombre de Dark Stores.

On constate quŠen général, les quartiers les plus peuplés sont aussi ceux qui comptent le
plus dŠentrepôts, et de même, les zones de faible population comptent moins de Dark Stores.
Toutefois, cette corrélation nŠest pas toujours respectée, notamment pour les 18e et 20e arron-
dissements qui sont assez peuplés mais ne comptent pas autant dŠentrepôts. De même, les 8e et
9e arrondissements présentent une corrélation inverse entre nombre dŠhabitants et nombre de
Dark Stores.

Dans les graphiques de loyer moyen et de revenu moyen, on observe une corrélation inverse
entre ces variables et la répartition des Dark Stores dans les arrondissements. Comme prévu,

10
Figure 4 Ű Distributions des Dark Stores et Figure 5 Ű Distributions des Dark Stores et
de la population par arrondissement de la densité par arrondissement

Figure 6 Ű Distributions des Dark Stores et Figure 7 Ű Distributions des Dark Stores et
du loyer moyen par arrondissement du revenu moyen par arrondissement

plus le coût foncier est élevé, moins il est attractif dŠinstaller un entrepôt logistique dans la
zone. Cependant, cette corrélation nŠest pas forcément proportionnelle, puisque les régions où
les revenus sont les plus faibles et les loyers sont les moins chers ne sont pas forcément les ré-
gions qui comptent le plus de Dark Stores, comme cŠest le cas pour les 13e, 18e, 19e et 20e
arrondissements. De plus, il est possible dŠidentiĄer certains cas où les valeurs normalisées des
établissements et des deux paramètres étudiés sont égales, ce qui affecte le degré de corrélation
inversement proportionnel entre les variables.

Ainsi, puisque lŠanalyse graphique ne permet que de tirer des conclusions qualitatives et
peu précises sur lŠopportunité dŠinstaller des entrepôts, le projet sŠest poursuivi par une analyse
quantitative de la relation entre les variables étudiées et la répartition des Dark Stores. Les
Ągures 8 à 11 représentent les nuages de points de la population, densité, loyer moyen et revenu
moyen en fonction du nombre dŠentrepôts.

Les résultats des coefficients de corrélation linéaire (R) indiquent une corrélation plus forte
pour la variable de population, bien que R = 0.68 ne soit pas une valeur suffisamment élevé
pour conclure quŠil y a une forte relation de corrélation entre les deux paramètres. Pour les trois
autres variables, les valeurs du coefficient de corrélation linéaire sont comprises entre 0.36 et 0.51,
ce qui indique une corrélation très faible voire non pertinente avec la répartition des Dark Stores.

Une dernière tentative pour prendre en compte les quatre variables dans lŠétude de lŠoppor-
tunité dŠinstaller des Dark Stores a été la création dŠun modèle de régression linéaire multiple.
LŠobjectif était de vériĄer la capacité prédictive du modèle et de comparer le degré dŠinĆuence
de chaque caractéristique dans lŠexplication de la variable Y (nombre dŠentrepôts).

11
 Figure 8 Ű Population x Nb Dark Stores Figure 9 Ű Densité x Nb Dark Stores

Figure 10 Ű Loyer Moyen x Nb Dark Stores Figure 11 Ű Revenu Moyen x Nb Dark Stores

Cependant, comme lŠindique la Ągure 12, les résultats du modèle de régression multiple ne
présentent pas de paramètres permettant de conclure à sa bonne représentativité. A commencer
par la valeur du coefficient R2 ajusté qui est égale à 0.34, indiquant une faible capacité prédic-
tive du modèle. Par ailleurs, il est également possible de rejeter lŠhypothèse selon laquelle les
variables ń densité, revenu moyen et loyer moyen ż sont signiĄcatives, puisque le test T-Student
montre t < 1,96 et p > 5%.

Figure 12 Ű Résultats de la régression multiple

En retirant du modèle les variables non signiĄcatives et en ne conservant que les variables
qui satisfont aux conditions de t > 1,96 et p < 5%, nous concluons que le meilleur modèle
explicatif correspond précisément au modèle linéaire, où le nombre de Dark Stores est fonction
de la variable ń population ż. Par conséquent, on conclut que la variable avec laquelle le nombre
de Dark Stores par arrondissement de Paris est le plus corrélé est le nombre dŠhabitants de
lŠarrondissement. Cependant, à partir de la base de données considérée, il nŠa pas été possible
de trouver une corrélation suffisamment importante pour réellement expliquer les choix de loca-
lisation grâce aux variables testées.

12
 Il est important de souligner que cette étude présente certaines limites. Tout dŠabord, lŠab-
sence de données disponibles pour les loyers des établissements commerciaux nous a conduit à
les remplacer par les loyers résidentiels, qui ne sont pas forcément entièrement pertinents. Par
ailleurs, les valeurs des revenus, de la densité et de la population ont été obtenues pour chaque
arrondissement, mais on constate que ces paramètres varient fortement au sein dŠun même ar-
rondissement. Par conséquent, une base de données qui identiĄe les caractéristiques des adresses
dŠentrepôts dans une zone plus petite pourrait rendre la base de données plus précise. EnĄn, il
existe dŠautres facteurs qui jouent un rôle important dans le choix de localisation des Dark Stores
et que nous nŠavons pas traités, notamment lŠoffre dŠétablissements disponibles. En entretien,
on apprend que lŠarrivée simultanée des différents acteurs Getir, Flink, Cajoo, Gorillas, etc. a
créé une situation de tension sur le marché, la demande étant plus forte que lŠoffre. Dès lors, dès
la mise sur le marché dŠun local satisfaisant raisonnablement les critères posés par ces acteurs,
lŠopportunité est rapidement saisie sans plus dŠoptimisation.

3 Profil organisationnel
Deux observations de terrain dans Paris, Ąn février puis mi-mai, nous permettent de caracté-
riser les modèles organisationnels des Dark Stores. Dans un premier temps, nous avons observé
les allées et venues générées par quelques entrepôts ciblés durant plusieurs heures et nous avons
réalisé une bonne dizaine dŠentretiens avec leurs employés. Dans un second temps, nous avons
visité plus brièvement une dizaine de Dark Stores en essayant dŠen tirer des informations de
surfaces, nombres de commandes, nombre de véhicules ou nombres dŠemployés et en analysant
davantage le lieu de stockage et lŠemprise des véhicules sur la voie publique.

3 .1 Première phase d’observation

Lors de notre première phase dŠobservation, nous avons conduit un double travail : carac-
tériser le modèle organisationnel des Dark Stores, et estimer leur volume dŠactivité. Les proĄls
enquêtés sont récapitulés table 1. AĄn de garantir lŠanonymat des livreurs et managers enquêtés
nous ne précisons pas lŠemplacement exact des entrepôts étudiés.

ProĄl enquêté Enseigne Nb entretiens

Cajoo 2
Flink 3
Livreur Frichti 2
Getir 2
Gorillas 2
Manager Cajoo 1

Table 1 Ű ProĄls des enquêtés

3 .1.1 Profil des travailleurs

Les observations menées devant les entrepôts ont fait ressortir deux grands modes de gestion
selon le proĄl des travailleurs qui livrent les commandes.

Chez Flink et Gorillas, les livraisons sont réalisées par des salariés qui portent lŠéquipement
de lŠentreprise et se déplacent sur des vélos affrétés par celle-ci. Devant lŠentrepôt Flink par
exemple, les livreurs choisissent en partant un vélo parmi la quinzaine disponible.

13
 En revanche, chez Cajoo les quelques vélos Ćoqués se trouvaient à lŠintérieur de lŠentrepôt et
nous nŠavons pas vu de livreur salarié. Les commandes sont livrées par des auto-entrepreneurs,
notamment de chez Uber Eats ou Stuart. Le discours du manager et des livreurs sont contradic-
toires. Le manager explique que ce sont les clients qui se font livrer, par Uber Eats par exemple,
leur click & collect Cajoo ; les livreurs parlent eux dŠune sollicitation provenant directement de
Cajoo via une hotline. Environ 3/4 des déplacements des auto-entrepreneurs observés se sont
faits en moto ou scooter, et environ 1/4 en vélo ou vélo-cargo.

Ce choix organisationnel a de nombreuses conséquences. DŠabord, comme déjà évoqué, le

type de véhicule utilisé : chez Flink et Gorillas, la livraison à vélo est très silencieuse et les véhi-
cules sont garés sur lŠemplacement réservé devant lŠentrepôt. Chez Cajoo, les départs de scooters
et motos génèrent des nuisances sonores dans la rue très calme ; les auto-entrepreneurs se garent
au bord de la chaussée ou sur le trottoir lorsquŠils patientent ou vont chercher les commandes.

Les entretiens menés précisent les proĄls des livreurs. Ce sont des hommes (100% des en-
quêtés) et ils sont jeunes, entre 20 et 30 ans. Comme déjà observé, en ce qui concerne les types
de contrats de travail, les résultats diffèrent parmi les Dark Stores analysées : dans le cas de
Gorillas, Flink et Getir les livreurs sont salariés et ont majoritairement des contrats CDI, tandis
que chez Cajoo tous les livreurs rencontrés sont auto-entrepreneurs et la situation est mixte chez
Frichti.

La répartition des activités dans les Dark Stores, quant à elle, varie selon lŠentreprise enquê-
tée. Chez Cajoo, puisque les livreurs sont auto-entrepreneurs, ils ne font que de la livraison. Au
contraire, chez Flink les deux livreurs ont déclaré faire de la préparation de commande et de
la livraison. Parmi les autres entreprises, certains livreurs sont mixtes et dŠautres non, comme
cŠest le cas de Gorillas et Frichti. Le détail des répartitions est visible table 2.

Livreur Enseigne Fonction

1 Cajoo Livraison
2 Cajoo Livraison
3 Flink Commande + Livraison
4 Flink Commande + Livraison
5 Flink -
6 Frichti Commande + Livraison
7 Frichti Livraison
8 Getir Livraison
9 Getir Livraison
10 Gorillas Livraison
11 Gorillas Commande + Livraison

Table 2 Ű Fonctions des livreurs enquêtés

3 .1.2 Volume d’activité

Pour estimer le volume dŠactivité généré par un entrepôt, nous nous basons sur un comptage
des arrivées et départs des livreurs devant les entrepôts. Pour chaque arrivée ou chaque départ,
nous avons relevé lŠheure, le type de véhicule et identiĄé le livreur. Le tableau 3 indique les
enseignes et les plages horaires des comptages effectués. Le tableau 4 présente le nombre de
mouvements par heure généré par les entrepôts enquêtés.

14
 Enseigne Plage horaire
Cajoo 12h00-13h00
Flink 18h30-20h00
Gorillas 11h00-13h00 puis 14h00-15h00

Table 3 Ű Plages horaires des comptages effectués

Enseigne Plage horaire Nb de mouvements par heure

Cajoo 12h00-13h00 38
Flink 18h30-20h00 60/1.5 = 40
Gorillas 11h00-13h00 44/2 = 22

Table 4 Ű Nombre de mouvements générés par une Dark Store

Malgré la faiblesse de la taille de lŠéchantillon, on peut raisonnablement estimer que même

en heure de pointe, une Dark Store génère moins dŠune arrivée ou dŠun départ par minute.

LŠidentiĄcation des livreurs que nous avons réalisée lors du comptage nous a permis de re-
tracer les départs et arrivées dŠun même travailleur, et dŠen déduire les temps de livraison et
dŠattente moyens sur chaque entrepôt. Par ń temps dŠattente ż, on entend la durée entre le
retour dŠun livreur au Dark Store et son départ suivant pour une livraison. Ainsi, cŠest le temps
que passe le livreur à lŠentrepôt avant de recevoir sa commande suivante à livrer. Les résultats
sont présentés dans les tableaux 5 et 6.

Enseigne Gorillas Flink Cajoo

Nombre dŠobservations 27 22 5
Temps moyen 16.6 20.6 12.2
Temps minimal 6 5 8
Temps maximal 39 30 18

Table 5 Ű Temps (en minutes) mis par le livreur pour effectuer lŠaller-retour dŠune livraison

Enseigne Gorillas Flink Cajoo

Nombre dŠobservations 18 19 5
Temps moyen 5.6 9.1 4.2
Temps minimal 1 0 2
Temps maximal 15 31 8

Table 6 Ű Temps dŠattente (en minutes)

Les statistiques présentées dans les tableaux sont calculées à partir dŠun nombre raisonnable
dŠobservations pour les enseignes Gorillas et Flink. En revanche, la taille des échantillons Cajoo,
avec 5 observations dans les deux cas, est particulièrement faible. Ce contraste sŠexplique par
la forte différence organisationnelle entre Cajoo dŠune part et Gorillas et Flink dŠautre part.
Comme expliqué précédemment, sur nos créneaux dŠobservations Gorillas et Flink ont fait livrer
leurs commandes par des livreurs salariés uniquement, ce qui nous a permis dŠobserver un grand
nombre dŠaller-retour des mêmes livreurs. En revanche, nous nŠavons pas identiĄé de livreur

15
salarié Cajoo. Ce sont des auto-entrepreneurs, majoritairement de chez Uber Eats et Stuart, qui
livraient les commandes. En conséquence, une même personne revenait rarement à lŠentrepôt
après sa livraison, ce qui explique le faible nombre dŠobservations.

Dans la suite, nous ne concentrons donc que sur les séries de données récoltées chez Gorillas
et Flink. Nous présentons dans les graphiques 13 et 14 les valeurs extrémales, les quartiles et la
médiane des temps relevés.

Figure 13 Ű Temps de livraison (en minutes, A/R) : boîtes à moustaches

Dans la majorité des cas les clients semblent être livrés en moins de 15 min. Le temps chro-
nométré ne prend pas en compte le temps de préparation de la commande ; néanmoins le temps
médian que met le livreur pour arriver jusquŠau domicile du client est dŠenviron 8 min chez
Gorillas et 11 min chez Flink.

Figure 14 Ű Temps dŠattente (en minutes) : boîtes à moustaches

Les temps dŠattente sont variables. Lors de nos observations, les livreurs ne rentraient parfois
dans lŠentrepôt que pour prendre la commande suivante. DŠautres fois, ils restaient plus dŠune
dizaine de minutes dans lŠentrepôt. Deux principales explications sont envisageables : lŠattente
par les employés dŠune commande client, ou des proĄls mixtes livreurs/préparateurs.

16
3 .2 Deuxième phase d’observation
Dans cette partie, on présente une partie des observations effectuées lors de la deuxième phase
dŠobservation. On présente notamment une série de photos illustrant lŠorganisation des lieux de
stockage et lŠemprise des véhicules sur la voie publique. Les informations plus quantitatives,
quant à elles, sont exposées dans la partie détaillant le chiffrage de la structure coûts/recettes
dŠune Dark Store.

Nous avons observé que la majorité du temps les livreurs salariés patientent devant le local
ou à lŠentrée de celui-ci, lorsque lŠorganisation des locaux offre la place nécessaire. Les livreurs
patientent debout ou sur des assises aménagées à partir de palettes. Le plan incendie reproduit
Ągure 15 spatialise lŠorganisation telle quŠelle est conçue par les entreprises : de bas en haut, on
peut lire "zone de préparation", "zone expédition" et "zone livreur".

Figure 15 Ű Plan incendie dŠune Dark Store

En ce qui concerne la relation à la ville, deux observations ressortent. DŠabord, les vitrines
sont opaciĄées (Ągure 16). La majorité du temps lŠenseigne est renseignée sur la devanture, sans
que ce soit systématiquement le cas. On lit par exemple sur la photo du haut lŠunique mention :
"Défense dŠafficher sous peine de poursuites". Ensuite, lŠemprise des véhicules sur le trottoir est
très variable. Certaines Dark Stores stockent tous leurs véhicules à lŠintérieur, dŠautres sur des
espaces de stationnement prévus, dŠautres encore sur le trottoir en lŠabsence de zone prévue à
cet effet (voir Ągure 17). Par ailleurs, certains locaux situés à lŠintérieur dŠîlots ou dŠimmeubles
peuvent également servir de lieux de stockage ou de garages, comme illustré Ągure 18.

17
Figure 16 Ű Relation à la ville : isolement visuel

18
 Figure 17 Ű Relation à la ville : stationnement des véhicules

Figure 18 Ű Exemple de local de stockage en intérieur dŠimmeuble

19
Deuxième partie
Chiffrage de la structure coûts / recettes
d’une Dark Store
La première partie du rapport présentait les lieux dŠimplantation des Dark Stores et leur
proĄl organisationnel. Dans cette deuxième partie, on se penche sur le modèle économique de
ces enseignes dŠun point de vue plus quantitatif en estimant les différents éléments de leurs
structures coût / recettes.

1 Structure retenue

Figure 19 Ű Structure retenue pour lŠanalyse du modèle économique dŠune Dark Store

La structure coûts / recettes retenue pour lŠanalyse du modèle économique des Dark Stores
est présentée Ągure 19. On suppose que les Dark Stores nŠont quŠune source de revenus, les
livraisons, dont elles tirent deux types de bénéĄces : ceux réalisés grâce au taux de marge sur
les produits vendus, et ceux issus du prix de livraison. En lŠabsence de données on écarte pour
le moment dŠéventuels autres revenus alternatifs, comme des revenus publicitaires ou issus de la
vente de données clients. Il est cependant possible que ces revenus se développent rapidement
et deviennent signiĄcatifs pour les enseignes de Dark Stores. En entretien, on entend : "la vente
de marchandises nŠest quŠun prétexte pour commercialiser dŠautres choses", en référence aux
espaces publicitaires (bannières sur lŠapplication, opérations de sampling, ...).

On identiĄe deux grands types de coûts. Ceux qui permettent le fonctionnement quotidien
de la Dark Store regroupent les coûts salariaux des employés de la Dark Store uniquement, les
coûts inhérents au local, ceux des véhicules et enĄn les pertes. Les autres regroupent les coûts
engagés par le groupe sans quŠils soient directement ceux de la Dark Store : loyers et salaires des
fonctions support, campagnes de marketing. On écarte certains coûts Ąxes marginaux, comme
lŠachat des racks, congélateurs ou matériel informatique à lŠaménagement dŠun local.

Quelques précisions sŠimposent au sujet de deux principaux choix que nous avons effectués.
DŠabord, dans le modèle que nous avons mis en place, tous les livreurs sont salariés. Ce nŠest pas le
cas de toutes les observations menées dans Paris, mais la tendance semble au rachat des enseignes
dont les livraisons reposent sur le travail dŠauto-entrepreneurs (Cajoo et Frichti) et nous ne dis-

20
posons pas dŠinformations précises sur les modalités de rémunération des auto-entrepreneurs.
Ces dernières reposent sur des calculs composites entre temps de travail, nombre de kilomètres
parcourus, nombre de colis livrés, etc. Ensuite, nous écartons les livraisons à scooter pour ne
garder que les vélos électriques. Nous avons parfois observé quelques scooters garés devant les
Dark Stores, mais hormis les auto-entrepreneurs nous nŠavons relevé aucune livraison en scooter.

Le reste de cette partie est consacrée au chiffrage de ces différents éléments, à partir de
différents sources : observations de terrain, recherches documentaires, entretiens. On estime ces
différents facteurs avec autant de précision et de rigueur quŠil est possible. Certains de nos
résultats sont robustes ; dŠautres reposent sur des hypothèses ou extrapolations qui restent sujet
à discussion. Dans tous les cas, on sŠassure que la situation économique présentée soit réaliste.
Chacune des sous-parties débute par un encadré précisant les éléments quŠelle estime.

2 Observations de terrain

Dans cette partie, on chiffre les éléments suivants :

∗ R1 : Nombre de commandes par mois
∗ R2 : Prix du panier moyen
∗ C1 : Salaire dŠun livreur / préparateur
∗ C2 : Salaire dŠun manager
∗ C3 : Nombre dŠemployés hors direction
∗ C4 : Nombre dŠemployés direction
∗ C8 : Nombre de vélos

R1 : Nombre de commandes par mois Heleen Buldeo Rai, chercheuse à lŠUniversité Gus-
tave Eiffel et qui travaille également sur les Dark Stores, nous a laissés accéder à ses propres
comptages, réalisés sur de plus grandes plages horaires. Pour un local Getir, elle compte 171
livraisons sur une journée de semaine et 161 livraisons sur une journée de week-end. Pour un
local Frichti, elle compte 419 livraisons sur une journée de week-end. Nous avons comparé nos
données avec celles dŠHeleen Buldeo Rai, en alignant le nombre de livraisons observées sur une
heure donnée. Les résultats sont visibles Ągure 20.

Figure 20 Ű Comparaison des comptages effectués

21
 On constate que pour une plage horaire donnée, sans doute en fonction de lŠenseigne, de
lŠemplacement ou encore de lŠancienneté de la Dark Store, le résultat varie du simple au triple.
Par ailleurs, les comptages effectués sur le local Getir semblent représenter une fourchette basse.
En reprenant 171 livraisons en jours ouvrés et 161 livraisons en journée de week-end, on obtient
un ordre de grandeur dŠenviron 5000 livraisons par mois, qui serait donc peut-être sous-estimé.

La deuxième phase dŠobservations et dŠentretiens dans Paris renseigne davantage sur la ques-
tion : les personnes enquêtées parlent de "8000 livraisons par mois dans Paris intra-muros", dŠun
hub qui fait "270 à 400 commandes par jour" (soit 8100 à 12 000 commandes par mois), de "300
à 350 commandes par jour, 400 sŠil y a de la pub" (soit 9000 à 10 500 commandes par mois, 12
000 avec la publicité), de "300 commandes, 500 max" et même de "400-500 commandes le matin
et 200 lŠaprès-midi". La plage est large, et cela reĆète probablement la diversité des situations
et des volumes de commandes selon les Dark Stores. Pour un premier calcul coûts/recettes, on
Ąxe le nombre de livraisons effectuées à 10 000/mois.

R2 : Prix du panier moyen Une Dark Store Gorillas a déclaré un panier moyen de 27€,
un local Flink 30-35€, un entrepôt Frichi 18€ le soir et 35€ la journée. Il semblerait donc que
le panier moyen soit de lŠordre dŠune trentaine dŠeuros. Nous avons obtenu une donnée similaire
en assistant à une présentation de résultats, que lŠon détaille dans la partie Entretiens.

C1 : Salaire d’un livreur /préparateur Ces derniers déclarent gagner le SMIC. Le coût
total pour lŠentreprise est donc de 1716 euros par employé et par mois 1 .

C2 : Salaire d’un manager On appelle manager les employés dŠun Dark Store qui ne sont
ni livreurs, ni préparateurs. Ce sont les "managers", "chefs de Ćotte", "chefs de stocks", "standar-
distes", "gestionnaires dépôts", etc. Ils coordonnent lŠactivité du local. Peu dŠentre eux acceptent
de répondre à nos questions, mais un adjoint déclare gagner "24000 brut", et un manager à la
tête du local déclare "35000-39000 brut". Nous avons complété ces entretiens par une recherche
documentaire, présentée plus bas.

C3 : Nombre d’employés hors direction Il repose beaucoup sur le mode de fonctionnement

adopté. Les comptages ont permis dŠestimer le nombre de personnes présentes à un instant t dans
chaque entrepôt (préparateurs, livreurs et managers) aux heures de pointe. Nous comptons 5 ou
6 employés dans les Dark Stores qui font livrer leurs paniers par des auto-entrepreneurs (et que
nous écartons de notre étude), et une quinzaine de salariés dans les autres. DŠaprès les échanges
avec les livreurs et managers, une Dark Store emploierait en tout une centaine de personnes
avec des contrats 35h (une minorité), 20h ou 15h (Flink) ; une cinquantaine de personnes se
relaieraient avec des contrats 40h et 24h (Gorillas). La fourchette est large et probablement
corrélée au niveau dŠactivité et de maturité de la Dark Store considérée. Pour un premier calcul
coûts/recettes, on considérera quŠune Dark Store emploie 50 équivalents temps plein.

C4 : Nombre d’employés managers DŠaprès les échanges que nous avons menés, environ
4 "managers" se relaient dans une Dark Store.

1. Simulateur de lŠURSSAF : https://www.urssaf.fr/portail/home/utile-et-pratique/

estimateur-de-cotisations.html (consulté le 4 mai 2022)

22
C8 : Nombre de vélos Toutes les Dark Stores visitées disposent dŠune importante Ćotte de
vélos, garée sur le trottoir, dans le local ou les deux. DŠaprès nos échanges avec les livreurs, ils
sŠusent et se cassent relativement vite. Dans trois locaux différents, on compte 35, 15 et 15 (sur le
trottoir uniquement) vélos électriques, auxquels il faut ajouter ceux empruntés par les employés
partis livrer. Il faut également y ajouter les véhicules stockés dans des garages. On compte,
dans celui dont on a reproduit une photo plus haut, une grosse trentaine de vélos. À nouveau,
la plage est large et probablement corrélée au niveau dŠactivité et au nombre dŠemployés de la
Dark Store. Les témoignages obtenus dans les différentes Dark Stores corroborent ces ordres de
grandeurs. En effet, plusieurs responsables de magasin nous ont parlé de Ćottes dŠune trentaine
de véhicules. Pour notre modèle économique, nous retenons 30 vélos.

3 Niveaux de prix

Dans cette partie, on chiffre les éléments suivants :

∗ R3 : Taux de marge

R3 : Taux de marge DŠaprès lŠINSEE, le taux de marge commerciale des supérettes est de
27-29%. Il sŠagit de la différence hors taxes entre le prix de vente et le prix dŠachat des produits 2 .

Pour pouvoir considérer que le taux de marge des Dark Stores est également dŠenviron 28%,
il suffirait que les prix dŠachat et de vente de produits soient similaires entre les Dark Stores
et les supérettes classiques. En ce qui concerne le prix dŠachat, on suppose que Dark Stores et
supérettes sŠapprovisionnent auprès des mêmes fournisseurs aux mêmes prix. En ce qui concerne
le prix de vente en revanche, on pourrait à la fois supposer que les Dark Stores vendent plus cher
leurs produits aĄn de Ąnancer leur activité de livraison ; et quŠelles les vendent moins cher dans
un contexte de course aux parts de marchés. Nous avons donc mené une étude comparative sur
un panier de biens, qui nous permet de conclure quŠen réalité les niveaux de prix de vente sont
similaires entre supérettes classiques et Dark Stores. La méthodologie et les résultats de lŠétude
font lŠobjet du reste de la sous-partie.

Nous avons comparé, sur un panier de 30 articles, les prix de 3 enseignes de Dark Stores et
de 3 supérettes ŞclassiquesŤ. Les prix ont été relevés sur les applications pour les Dark Stores
et en magasin pour les enseignes classiques. Nous avons souhaité balayer autant que possible
lŠensemble du spectre des prix de vente en supérette en région parisienne. Nous avons donc
retenu, dŠune part, deux supérettes parmi les marques réputées les plus chères 3 , Monoprix et
Franprix, que nous avons enquêtées dans Paris intra-muros (13ème). La troisième supérette re-
tenue, dŠautre part, est un commerce Carrefour City, réputé assez peu cher et enquêté dans lŠest
de la région parisienne (Marne-la-Vallée). Les Dark Stores retenues sont Flink, Getir et Gorillas.
Le nombre réduit de Dark Stores est dû au catalogue de produits restreint proposé par chaque
enseigne : à partir de 4 marques différentes, il devient très difficile de trouver un même produit
dans lŠensemble des enseignes enquêtées, faussant le calcul du prix du panier de biens.

2. Voir : Les magasins bio : des magasins presque comme les autres, article de lŠINSEE dŠoctobre 2019 qui
estime le taux de marge commerciale des supérettes à 29% ; et "Les réseaux dŠenseigne dans le commerce de détail
alimentaire", article de lŠINSEE de décembre 2018 qui estime le taux de marge commerciale des supérettes à 27%.
https://www.insee.fr/fr/statistiques/4240612 et https://www.insee.fr/fr/statistiques/3674846
3. En se basant sur lŠenquête Que Choisir de juin 2018 https://www.quechoisir.org/
actualite-supermarche-le-palmares-des-enseignes-de-la-grande-distribution-n21349/

23
 Même avec seulement 3 enseignes, un compromis est à signaler : pour certaines catégories
dŠarticles, ce nŠest pas un produit précis qui est comparé (aliment, marque, parfum, poids don-
nés) mais une catégorie restreinte de produits similaires (aliment et poids donnés). Ainsi, pour
les oeufs, ce nŠest par exemple pas lŠarticle “Oeuf Loué Bio boîte de 6” qui a été recherché mais
“Oeufs boîte de 6”, car il sŠest révélé impossible de trouver un article commun à toutes les Dark
Stores enquêtées. Pour ces articles qui ne portent pas de marque précise, nous avons relevé tous
les produits disponibles et avons retenu le prix médian.

Nous avons relevé au cours de notre étude de prix que certains articles devenaient dispo-
nibles, ou au contraire disparaissaient de lŠoffre, en fonction de lŠadresse du domicile indiquée sur
les applications des Dark Stores. Cela peut avoir une incidence sur le calcul du prix du panier
de biens. Par exemple, lŠarticle “Candy Up 6*20 cL” a été trouvé deux fois chez Flink (goûts
différents) et une seule fois chez Getir et Gorillas. Ce sont ces valeurs qui ont été utilisées par
la suite, mais il nŠest pas impossible quŠà une autre adresse un autre parfum de Candy Up fût
apparu chez Getir ou Gorillas, modiĄant légèrement le calcul global.

Malgré ces limites, quŠil était important dŠexposer, nous pensons que le nombre signiĄcatif de
produits relevés et la rigueur de la démarche permettent dŠeffectuer une comparaison pertinente
entre les niveaux de prix des six enseignes enquêtées. Le panier de biens, ainsi que le nombre
dŠarticles correspondant au produit recherché et leur valeur médiane, sont produits en annexe.
Les résultats, présentés par prix total croissant, sont visibles table 7.

Flink Carrefour City Getir Gorillas Monoprix Franprix

73.52 75.68 78.31 78.55 82.34 84.56

Table 7 Ű Prix du panier de biens en euros selon les enseignes

Dans la série de prix présentée, on constate une alternance entre Dark Stores et supérettes
classiques. Les résultats de Getir et Gorillas sont encadrés par ceux des supérettes. Pour le reste
de lŠétude, on considérera donc que les niveaux de prix de vente des Dark Stores sont similaires
à ceux des supérettes.

4 Entretiens

Dans cette partie, on chiffre les éléments suivants :

∗ R2 : Prix du panier moyen
∗ E3 : Communication et marketing

R2 : Prix du panier moyen Le groupe a assisté à la soirée "E-commerce Summit by Foxin-

telligence with Cajoo" du 7 avril 2022, au cours de laquelle Cajoo a annoncé un panier moyen de
28€, en progression depuis les conĄnements (20-22€). Cette information vient conĄrmer celles
recueillies pendant les phases dŠobservations. Étant donné quŠelle est annoncée à lŠéchelle de lŠen-
semble de lŠentreprise et pas uniquement pour une Dark Store donnée, elle agrège probablement
davantage de données et cŠest donc celle-ci que lŠon retient.

24
E3 : Communication et marketing Les Dark Stores se font connaître notamment grâce à
des campagnes de publicité dans le métro et les moyens de transports franciliens. Ces dernières
sont régulières et de grande ampleur, comme illustré Ągure 21.

Figure 21 Ű Un grand affichage publicitaire à la gare Saint-Lazare

Il est très difficile dŠestimer le budget marketing et communication des Dark Stores, qui est
lŠune des informations les mieux gardées. En entretien, on nous dit cependant quŠune campagne
dŠaffichage dans les transports pendant un mois coûte 1.5 M€ à 2 M€, et quŠil faut y ajouter le
coût des codes de réduction promotionnels. En lŠabsence dŠautres informations, il est nécessaire
de faire des hypothèses discutables. On estime ainsi que les campagnes de publicité ont lieu
environ tous les trois mois, et que le coût des codes de réduction est à peu près équivalent à celui
des affichages. Le budget marketing et communication est alors estimé à environ 1 M€ par mois.
Nous supposons enĄn que ce coût est supporté uniformément par tous les Dark Stores dŠune
même enseigne. DŠaprès nos cartographies, en région parisienne Cajoo possède actuellement 12
Dark Stores ; Flink 8 ; Frichti 14 ; Getir 14 ; Gopuff 9 ; Gorillas 12. Avec une moyenne de 12 Dark
Stores, on obtient donc un coût mensuel de marketing et communication dŠenviron 80 000 € par
local.

5 Recherches documentaires complémentaires

Dans cette partie, on chiffre les éléments suivants :

∗ R4 : Prix de livraison par panier
∗ C2 : Salaire dŠun manager
∗ C5 : Loyer
∗ C6 : Charges mensuelles
∗ C7 : Entretien du local
∗ C9 : Entretien par vélo
∗ C10 : Prix énergétique par commande
∗ C11 : Invendus
∗ E1 : Loyers locaux fonctions support
∗ E2 : Salaires fonctions support

25
R4 : Prix de livraison par panier On relève les tarifs appliqués par différentes Dark Stores
à partir de leurs sites internet et de leurs FAQ :
∗ Cajoo : 1.95 euros, minimum de commande 8 euros, livraison gratuite à partir de 30 euros
∗ Gorillas : 1.8 euros
∗ Flink : 2.9 euros en-dessous de 10 euros, 1.9 euros jusquŠà 45 euros, gratuit ensuite
∗ Frichti : 3.99 euros en express (20-45 min), 2.5 euros dans lŠheure, 1.5 euros dans la
demi-journée. Minimum de commande 8 euros
∗ Getir : 1.9 euros, minimum de commande 10 euros
On retient un tarif de livraison de 1.90€ au regard du prix du panier moyen.

C2 : Salaire d’un manager En complément des entretiens menés dans Paris, on relève les
salaires disponibles sur les sites glassdoor.fr et indeed.com, que lŠon restitue tableau 8.

Entreprise Poste Salaire

Flink Responsable de magasin 2000-3000€/mois
Cajoo Hub manager 34 761€
Cajoo Hub Lead 27000-29000€
Gorillas Warehouse manager 45000€
Gorillas Warehouse supervisor 29000-32000
Frichti Manager 30000-32000€
Frichti Lead 28000-31000€
Getir Assistant store manager 33177€

Table 8 Ű Données de salaires trouvées en ligne

On fait la moyenne de ces salaires (hors valeur 45000€ qui semble exceptionnelle), en y
intégrant également les données recueillies lors de la deuxième phase dŠobservation. On obtient
un salaire moyen dŠenviron 31000€/an. Après ajout des charges patronales, on en déduit que le
coût moyen dŠun tel employé est dŠenviron 5000€ par mois.

C5 : Loyer Il est très difficile dŠestimer le loyer type dŠune Dark Store dans Paris. En effet,
ces chiffres sont tenus secrets par les enseignes et varient probablement beaucoup en fonction
des opportunités, des surfaces et des localisations précises. Faute de mieux, nous avons décidé
dŠutiliser le loyer moyen dŠun local commercial dans la ville de Paris. Celui-ci est estimé autour
de 520€ par m2 et par an 4 selon différents acteurs du marché. Les surfaces des locaux, dŠun
Dark Store à lŠautre, semblent varier du simple au double. On fait le choix de considérer un local
de 150 m2 , dans la fourchette de ce que nous avons pu observer. Le loyer que nous retenons est
donc dŠenviron 6 500€ par mois.

4. 535€ selon Local Commercial : https://www.localcommercial.net/estimerloyer/37552/paris.html ;

505 € selon Bureaux Locaux : https://www.bureauxlocaux.com/prix-marche/bureaux/paris. On note que
même si ces deux moyennes sont proches, lŠétalement entre les valeurs basses et hautes présenté sur les deux
sites est très important. Le loyer nŠest donc estimé que grossièrement.

26
C6 : Charges mensuelles On estime les charges mensuelles dŠune Dark Store en lŠassimilant
à une supérette classique. Plusieurs acteurs sŠaccordent sur la consommation dŠune supérette,
dŠenviron 27 MWh/an 5 , soit environ 250€ par mois de consommation dŠélectricité. Le coût des
charges mensuelles est marginal par rapport à dŠautres postes de dépenses, donc même dans un
contexte dŠinĆation du prix de lŠénergie il nŠest pas nécessaire dŠêtre plus précis.

C7 : Entretien du local On suppose que le local est nettoyé une fois par jour. Pour un
local de 100 à 400 m2 , ou une durée de nettoyage journalière de 1h à 2h, on obtient des tarifs
de lŠordre du millier dŠeuros. La Ćuctuation autour de cet ordre de grandeur est marginale par
rapport à dŠautres postes de dépenses, donc il nŠest pas nécessaire dŠêtre plus précis.

C9 : Entretien par vélo Nous avons estimé le coût de lŠentretien dŠun vélo en nous basant
sur les coûts dŠentretien des vélos en libre service des collectivités françaises. En effet, dŠaprès les
informations collectées lors des phases dŠobservation les vélos utilisés dans une Dark Store sont
extrêmement sollicités et sŠusent très rapidement, de façon similaire à ce qui est observé pour
les vélos en libre-service. Un article du Monde 6 liste les coûts annuels par vélo : "2 250 euros à
Orléans, 2 413 euros à Rennes, 3 267 euros à Marseille" ; à Lyon on "évoque une somme de 2 000
euros" ; à Paris 4 000 euros dont la moitié est consacrée à la régulation (et qui ne concerne pas
les Dark Stores) et lŠautre moitié au vandalisme et au fonctionnement. Strasbourg, en faisant le
choix de locations longue durée, semble ramener le coût de chaque vélo à 400 euros par an. Dans
le cadre de notre étude, où les livreurs sont amenés à utiliser les mêmes vélos et sensibilisés au
coût de leur réparation, on estime le coût dŠentretien dŠun vélo au prix intermédiaire de 120€
par mois. Ces valeurs sont à rapprocher des prestations offertes par certains acteurs 7 .

C10 : Prix énergétique par commande Pour estimer lŠénergie dépensée par un vélo élec-
trique lors dŠune livraison, on prend la capacité de la batterie électrique et on la divise par
lŠautonomie de celle-ci aĄn dŠobtenir la dépense dŠénergie électrique par kilomètre parcouru.
Pour 100 km, diverses sources renseignent des capacités de lŠordre de quelques centaines de Wh.
Ainsi, pour effectuer une livraison de quelques kilomètres, un livreur dépense quelques Wh. Or,
le prix dŠ1 kWh est dŠenviron 20 centimes 8 . Cela revient à 0.0002€ par Wh. Le coût est donc
négligeable, on le chiffre à 0 € dans notre étude.

C11 : Invendus Les Dark Stores proposent, comme les supermarchés classiques, un grand
nombre de produits frais ou périssables. De ce fait, ils sont particulièrement sensibles à la casse
(produits vendus à des prix plus bas que les prix initiaux ou jetés). Selon plusieurs sources 9 , la
casse représente entre 1% et 3% du chiffre dŠaffaire dŠun magasin de grande distribution. Nous
retenons donc un taux dŠinvendus de 2% dans notre modèle économique.

5. Selon un article de TotalEnergies https://services.totalenergies.fr/pro/total-me-conseille/

batiment/commerces-les-plus-energivores, un fournisseur dŠélectricité qui cite les études du CEREN
https://opera-energie.com/fournisseur-electricite-pour-commercant/ et un courtier en énergie https:
//entreprises.selectra.info/energie/courtier-energie/estimation
6. Accessible à cette adresse : https://www.lemonde.fr/economie/article/2015/05/19/
le-velo-en-libre-service-a-dix-ans-mais-toujours-pas-de-modele-economique_4635865_3234.html
7. Pour exemple : https://www.hollandbikes.com/content/102-flotte-de-velos-pour-les-entreprises,
qui propose une Ćotte de vélos électriques à partir de 99€ par mois et par vélo.
8. Un ordre de grandeur sur lequel sŠaccordent plusieurs sources : https://www.fournisseurs-electricite.
com/guides/prix/kwh-electricite ; https://www.lelynx.fr/energie/comparateur-electricite/
prix-electricite/prix-kwh-electricite/ ; https://electricite.net/guides/prix/electricite
9. Selon Phenix, start-up luttant contre le gaspillage alimentaire : https://www.wearephenix.com/blog/2020/
08/18/les-supermarches-jettent-ils-vraiment-de-la-nourriture/ ; et LSA : https://www.lsa-conso.fr/
les-10-actions-qui-ont-permis-de-reduire-le-gaspillage-alimentaire-de-22-en-trois-mois,249315

27
E1 : Loyers locaux fonctions support Il est très difficile dŠavoir des informations sur les
surfaces occupées par ces enseignes en dehors de leurs entrepôts de livraison proprement dits.
Les interlocuteurs rencontrés à Paris nŠont pas ces informations ou ne les divulguent pas ; et
nous nŠavons pas trouvé dŠinformations lors de la recherche documentaire.

E2 : Salaires fonctions support Il est également très difficile dŠestimer les salaires des per-
sonnes travaillant à la direction et dans les autres fonctions support. Sans pouvoir déterminer la
masse salariale exacte que ces employés représentent en euros, nous avons tout de même estimé
une borne inférieure en se basant sur leur nombre.

En supposant que les employés des fonctions supports possèdent en grande majorité un
compte LinkedIn, nous avons lancé des recherches LinkedIn mi-mai 2022 avec pour Ąltres :

∗ Personnes
∗ Entreprise actuelle : Flink ou Cajoo, selon la recherche
∗ Lieu : Paris et périphérie

Nous obtenons ainsi une estimation du nombre de personnes travaillant chez Flink ou Cajoo
en région parisienne. La recherche donne 152 résultats pour Flink et 175 résultats pour Cajoo.
On écarte les quelques livreurs et préparateurs qui disposent dŠune page LinkedIn et les utili-
sateurs LinkedIn anonymes. EnĄn, on liste, pour chacune des personnes restantes, son intitulé
de poste et son année de sortie dŠécole ou de première prise de poste selon les informations
disponibles. Bien que les intitulés de postes ne soient pas toujours très explicites, on sŠefforce de
classer les résultats selon les types de poste. On sŠappuie sur le reste du proĄl LinkedIn lorsque
cŠest nécessaire. Les catégories retenues sont les suivantes :

∗ Juridico-Ąnancier
∗ Manager
∗ Marketing
∗ Numérique
∗ RH
∗ Stratégie / Direction

Les bases de données ainsi générées sont reproduites en annexe.

Comme on sŠintéresse aux emplois "centralisés" uniquement, on supprime de ces bases les
managers, qui pilotent la direction opérationnelle dŠun Dark Store donné, et lŠon en déduit
plusieurs caractéristiques concernant la structure des emplois supports, qui sont illustrées Ągures
22 et 23.

28
 Figure 22 Ű Structure des emplois "centralisés" chez Flink

Figure 23 Ű Structure des emplois "centralisés" chez Cajoo

On remarque que la structure des emplois centralisés est assez différenciée entre Flink et
Cajoo. Le secteur RH compte par exemple pour 24% des emplois chez Flink, contre 7% chez
Cajoo. Cajoo, quant à lui, fait la part belle au Numérique (18%, contre 6% chez Flink). Malgré
ces différences, chez les deux enseignes les principaux postes sont la Direction et le Marketing.
Ce dernier compte pour un tiers des emplois chez Flink comme Cajoo.

Par ailleurs, la "pyramide de carrière" est similaire entre Flink et Cajoo. On lit sur les histo-
grammes que la majorité des employés sont en tout début de carrière (2016 et plus), et quŠune
proportion non négligeable est stagiaire (année de sortie dŠécole 2022 et plus).

On compte en déĄnitive, hors stagiaires, 54 employés chez Flink et 75 employés chez Cajoo
pour ce qui est des fonctions support et de direction. DŠaprès nos cartographies, en région
parisienne Flink possède actuellement 8 Dark Stores et Cajoo 12 Dark Stores. En moyenne, un
local Flink supporte donc 6.75 employés de la direction et des fonctions support ; cŠest 6.25 pour
Cajoo. On retient une moyenne de 6.5 salariés. En supposant quŠun employé "centralisé" coûte
au moins 6 000 euros à lŠenseigne par mois (plus quŠun manager), le coût mensuel supporté par
chaque Dark Store est donc au moins de 6 000 * 6.5 ≃ 40 000 euros.

29
Troisième partie
Modèle économique d’une Dark Store : mise
en oeuvre et résultats
1 Résultats du modèle
Nous résumons Ągure 24 les chiffres mensuels retenus.

Figure 24 Ű Récapitulatif des chiffrages effectués dans la partie précédente

On calcule le bilan de la Dark Store en écartant les coûts externes (loyers locaux fonctions
support, salaires des fonctions support et communication et marketing). Les résultats sont donnés
Ągure 25.

Figure 25 Ű Mise en oeuvre du modèle économique

30
 On constate que même en ne prenant pas en compte les coûts liés aux fonctions de direction et
à la publicité, notre Dark Store type nŠest pas rentable. En effet, elle chiffre un déĄcit mensuel
dŠenviron 20 000 €. Ce résultat est à lŠopposé de nos attentes : nous pensions que le déĄcit
de ces enseignes était dû aux campagnes de communication massives, mais que dŠun point de
vue opérationnel une Dark Store était rentable. Nos analyses préalables nŠont pas vu la masse
salariale importante nécessaire à la livraison. Dans notre modèle, cŠest le poste de dépense ultra-
majoritaire. Il représente en effet 89% du total, nous lŠavons probablement surestimé.

2 Conditions de rentabilité
2 .1 Expérience de pensée : jouer sur le coût de livraison
Dans cette partie, on reprend notre Dark Store type et on fait varier le prix de la li-
vraison pour atteindre le seuil de rentabilité (bénéĄce 0 euros sur le mois). Le calcul donne
Plivraison = 4.11€, soit plus du double du montant actuel.

On retrouve donc lŠidée que le coût de la livraison est aujourdŠhui peu internalisé par les
consommateurs. La réĆexion restera une expérience de pensée puisquŠaujourdŠhui les objectifs
des Dark Stores sont plutôt la diminution, voire la suppression des coûts de livraison aĄn dŠattirer
les clients. La livraison "gratuite" nŠen sera pourtant pas une.

2 .2 Ajuster le nombre et la productivité des livreurs

Dans cette dernière partie, on se demande sŠil existe un jeu de paramètres avec lesquels une
Dark Store peut dégager un bénéĄce. On reprend les chiffrages initiaux (Plivraison = 1.9€) en
jouant sur les trois paramètres les plus sensibles : le nombre mensuel de livraisons, le nombre de
livreurs et la productivité des livreurs, exprimée en nombre de livraisons par jour. Il sŠagit de
facteurs relativement incertains (plages larges) et dont les variations se répercutent fortement
sur les résultats Ąnaux.

Notons quŠen réalité ces trois facteurs ne demandent le renseignement que de deux variables,
puisque par exemple le nombre total de livraisons sŠobtient en multipliant le nombre de livreurs
par leur productivité. SŠappuyer sur le couple nombre de livreurs / productivité plutôt que celui
nombre de livreurs / nombre de livraisons a cependant lŠavantage dŠéviter les situations surréa-
listes, par exemple 10 000 livraisons mensuelles pour 1 livreur, que lŠon risquerait dŠenvisager
avec le second couple de variables.

On décide de faire varier le nombre de livreurs de 15 à 45 équivalents temps plein ; on y

ajoute 6 équivalents temps plein de préparateurs. Concernant la plage de productivité, en lŠétat,
puisquŠun équivalent temps plein travaille 21 jours par mois, un salarié effectue 10 000 / 50 /
21 ≃ 9.5 livraisons par jour. Or selon les observations détaillées plus haut et résumées Ągure 5,
le temps moyen pour réaliser un aller-retour est de lŠordre de 16.6 min à 20.6 min. Pour estimer
le maximum atteignable de productivité, on suppose que la Dark Store comprime ce temps à 15
min en optimisant son rayon de livraison et les départs des livreurs (ils ne cherchent pas leur
vélo en partant, ne rentrent pas dans le local entre deux livraisons). Le livreur enchaîne donc
4 livraisons par heure, soit 25 livraisons par jour avec trois fois quinze minutes de pause. On
retient donc une plage de productivité allant de 5 à 25 livraisons par jour et par livreur.

Les résultats de ces différents chiffrages sont présentés tableau 9.

31
 Productivité →
5 10 15 20 25
Nombre de livreurs ↓
1575 3150 4725 6300 7875
15
-52 352 € - 37 318 € - 22 284 € - 7251 € 7 782 €
2100 4200 6300 8400 10 500
20
- 55 921 € - 35 876 € - 15 831 € 4 213 € 24 258 €
2625 5250 7 875 10 500 13125
25
-59 490 € - 34 434 € - 9 378 € 15 679 € 40 735 €
3150 6300 9 450 12 600 15 750
30
- 63 059 € - 32 991 € - 2 923 € 27 144 € 57 211 €
3675 7350 11025 14700 18375
35
- 66 627 € - 31 549 € 3 530 € 38 608 € 73 687 €
4200 8400 12600 16800 21000
40
- 70 196 € - 30 106 € 9 984 € 50 073 € 90 163 €
4725 9450 14175 18900 23625
45
- 73 765 € - 28 663 € 16 437 € 61 538 € 106 639 €

Table 9 Ű Résultats de la Dark Store en fonction du nombre de livreurs et de leur productivité.

Dans les cellules : nb de commandes mensuel et résultat du local.

Plusieurs conclusions ressortent de cet exercice. DŠabord, on observe un effet de seuil sur
la variable productivité : quel que soit le nombre de livreurs employés, la Dark Store nŠatteint
pas la rentabilité sŠils nŠeffectuent pas au moins une dizaine de livraisons par jour. Or, dŠaprès
nos observations de terrain, les Dark Store parisiennes sont pour le moment en-dessous de ce
seuil. Une fois quŠil est franchi, la rentabilité croît à la fois avec le nombre de livreurs et leur
productivité.

SŠil semble possible dŠatteindre relativement facilement la rentabilité opérationnelle, la ren-

tabilité de lŠentreprise dans sa globalité (avec les coûts centralisés) est plus délicate : seules
quelques cases montrent un résultat permettant de soutenir ne serait-ce que les salaires de la
direction et des fonctions support (évalués au minimum à 40 000 €) ; et aucune situation ne
permet de supporter les coûts de marketing et communication.

Notons par ailleurs quŠà lŠextrémité du tableau, avec nombre de livreurs et productivité
maximaux, le nombre de commandes mensuel paraît peu réaliste, ou du moins très au-dessus
des volumes actuels. On récapitule ces remarques dans le tableau 10.

32
 5 10 15 20 25
15 -52 352 € - 37 318 € - 22 284 € - 7251 € 7 782 €
20 - 55 921 € - 35 876 € - 15 831 € 4 213 € 24 258 €
25 -59 490 € - 34 434 € - 9 378 € 15 679 € 40 735 €
30 - 63 059 € - 32 991 € - 2 923 € 27 144 € 57 211 €
35 - 66 627 € - 31 549 € 3 530 € 38 608 € 73 687 €
40 - 70 196 € - 30 106 € 9 984 € 50 073 € 90 163 €
45 - 73 765 € - 28 663 € 16 437 € 61 538 € 106 639 €

Table 10 Ű Résultats de la Dark Store en fonction du nombre de livreurs et de leur productivité.

En bleu : scénario de référence ; en rouge : Dark Store déĄcitaire ; en gris : situation peu vrai-
semblable ; en jaune : Dark Store rentable ; en vert : enseigne (coûts centralisés - hors publicité
- inclus) rentable.

33
Conclusion et trajectoires possibles
Nous avons pu dégager de notre étude un certain nombre de facteurs permettant dŠavoir une
meilleure compréhension de ce phénomène émergent que constitue lŠessor des Dark Stores, en
particulier sur les deux dimensions que nous avons étudiées.

LŠétude statistique menée sur les données géographiques ne nous a pas permis de construire
un modèle ayant une quelconque capacité heuristique. Les facteurs tels que la densité ou le
niveau de revenu nŠont a priori aucun effet sur la localisation des Dark Stores. La conclusion à
laquelle nous sommes parvenus est que, si ces critères peuvent être pris en compte, la tension sur
le marché locatif commercial pousse les entreprises à prendre les locaux dès quŠune opportunité
se présente, dans une stratégie dŠimplantation générale. La correction se ferait donc à lŠusage,
un local inadapté à lŠexploitation pouvant être abandonné, ou utilisé pour dŠautres activités.

Un autre aspect qui ressort de lŠétude est que le modèle économique actuel des Dark Stores
nŠest pas viable à long terme. Selon nos estimations, le résultat dŠexploitation est pour le moment
négatif, et ce sans inclure certains coûts externes, tel que les campagnes de communication. Par
ailleurs, les scénarios que nous avons développés montrent que la rentabilité reste pratiquement
hors de portée des acteurs, à volume de commandes constant.

Nous avançons donc ici deux pistes qui pourraient améliorer la rentabilité des Dark Stores :
le changement de type de véhicule de livraison, et la pratique du sampling.

Lors de nos observations, nous avons remarqué un sous-emploi des Ćottes de scooters. Géné-
ralement mis en évidence devant le magasin, ceux-ci restent inutilisés par les employés dans le
cadre de leurs courses. Plusieurs raisons peuvent nous laisser penser quŠun usage plus fréquent
des scooters pourrait représenter un avantage concurrentiel pour lŠentreprise, nonobstant une
vitesse maximale théorique plus élevée. La première serait un taux dŠusure moins important
que pour les vélos électriques, qui semblent très sujets à la casse, permettant de réaliser des
économies grâce à des frais dŠentretien moindres. La seconde concernerait le trajet des livreurs
entre lŠentrepôt et le client, qui pourrait se faire plus rapidement et donc sur des distances plus
grandes. Avec des zones dŠinĆuences élargies, les Dark Stores concentreraient davantage de com-
mandes, ce qui augmenterait leur volume dŠactivité. EnĄn, bien que ce ne soit pas lŠapanage des
scooters, lŠajout dŠun compartiment derrière le conducteur permettrait le transfert du poids de
la marchandise sur le véhicule lui-même. Cela ouvrirait la possibilité de livrer des commandes
plus lourdes, voire dŠopérer en tournées.

LŠutilisation du sampling, présentée par un membre de la direction dŠune de ces entreprises,

pourrait également contribuer à pérenniser le modèle économique des Dark Stores. Dans le cadre
de cette pratique, dŠautres entreprises paieraient les enseignes de Dark Stores pour introduire des
échantillons gratuits de leur produits dans les commandes. Cette forme de revenus publicitaires
pourrait permettre la constitution un "marché biface" (Rochet et Tirole, 2003), cŠest à dire un
marché où deux types de clients avec leurs propres demandes existeraient. Ce type de marché,
utilisé notamment par certaines entreprises du numérique, aurait lŠavantage de permettre la
diminution des taux de proĄts réalisés sur lŠune des clientèles, aĄn de bénéĄcier dŠun attrait plus
important vis-à-vis de celle-ci, tout en réalisant une plus-value sur lŠautre type de clientèle.

34
 Ce fonctionnement à perte peut également être expliqué par lŠétat actuel dŠun marché en-
core fortement concurrentiel. Les entreprises tentent dŠévincer la concurrence, par le rachat ou la
faillite. Dans de telles conditions, il nŠest pas étonnant de sacriĄer temporairement la rentabilité
pour proposer des tarifs plus compétitifs que ses voisins. Les témoignages recueillis pointent
même vers une suppression à court ou moyen terme du prix de livraison, permettant de béné-
Ącier dŠun nouvel avantage concurrentiel. La course aux parts de marché est donc loin dŠêtre
terminée. La maturité du marché nŠayant pas encore été atteinte, de nouvelles recherches seront
nécessaires aĄn de préciser nos résultats, et de déterminer si de nouvelles logiques dŠoptimisa-
tions (économiques, juridiques, etc.) seront mises en place par les Dark Stores, notamment avec
lŠarrivée de nouvelles réglementations locales.

35
Annexes
A Quelques références journalistiques
[1] N. Levray, ŞLes dark stores, prémices dŠune ville sans vitrine ?Ť Le Moniteur, 6 mai 2022.
[2] M. Schorung, H. Buldeo-Rai et L. Dablanc, ŞFlink, Getir, Cajoo... Les ń Dark Stores ż
et le ń Quick Commerce ż remodèlent les grandes villes,Ť The Conversation, 3 mai 2022.
[3] ŞFace à la multiplication des ń dark stores ż dans les centres-villes, le gouvernement clariĄe
les règles,Ť La revue des collectivités locales, 24 mars 2022.
[4] A.W., ŞUn guide pour réguler lŠimplantation des ń Dark Stores ż,Ť Maire Info, 22 mars
2022.
[5] É. Cazi, ŞLes villes haussent le ton contre les courses express,Ť Le Monde, 22 mars 2022.
[6] J. Paquier, ŞLes collectivités face à lŠémergence des dark stores,Ť Actu 365, 25 février 2022.

36
B Base de données de l’analyse statistique

Figure 26 Ű Données du Google Maps

37
Figure 27 Ű Données de la societe.com

38
C Panier de biens
LorsquŠun prix médian a été calculé, le nombre de produits relevés est indiqué dans les
colonnes grisées.

Figure 28 Ű Produits et prix relevés

39
D Bases de données LinkedIn

40
 FLINK
Année de sortie d’école
Catégorie Intitulé poste
/ prise de premier poste

direction Business & Operations Analyst 2021

direction Operations Project Manager 2018

direction Operational Specialist 2018

direction Responsable des opérations Île-de-France 2017

direction Responsable Operation Ile-de-France 2016

direction Senior Strategic Project Manager 2017

direction Responsable des opérations du Nord de la France 2013

direction General Manager 2013

direction Responsable Opérations région Sud-Est chez Flink 2017

direction General Manager France 2008

direction Equipment project manager 2018

direction Strategic Operations Intern 2022

direction Chief of Staff (intern) 2023

direction Operations Manager Assistant (stage) 2021

direction Regional Manager Assistant (stage) 2023

direction Operation manager assistant (stage) 2023

direction Assistant operations manager (stage) 2024

juridico-financier Cash manager 2020

juridico-financier Strategic finance specialist 2017

juridico-financier Finance & accounting manager 2015

juridico-financier Comptable général 2016

juridico-financier Comptable junior 2021

juridico-financier Property Manager 2017

juridico-financier Manager Expansion 2016

juridico-financier Real Estate Director France 2005

juridico-financier Senior Legal Counsel 2016

manager Operations manager 2019

manager Hub Ops Manager 2021

manager Operations Manager 2019

manager Responsable adjoint 2021

manager Head of Rider Operations 2013

manager Responsable adjoint Dark-store 2021

manager Responsable adjoint 2019

manager Responsable adjoint 2015

manager Responsable adjoint 2015

manager Directeur de magasin 2011

manager Store manager 2016

manager Store manager 2012

manager Responsable magasin adjoint 2020

manager Responsable de deux Magasins ( Region Parisienne ) 2012

manager Responsable Entrepôt 2015

manager Manager Dark store 2018

manager Directeur adjoint 2017

manager Responsable entrepôt 2020

manager Riders Operations Manager 2013

manager Responsable de magasin 2013

manager Responsable adjoint 2021

manager Store manager 2015

marketing Pricing Analyst 2017

marketing Senior Category Manager 2016

marketing Senior Category Manager 2015

marketing Beverages Category Manager 2017

marketing Category Manager 2020

marketing Category Manager 2018

marketing Category Manager Local & Cool brands 2016

marketing Marketing manager 2019

marketing Junior Marketing Manager 2021

marketing Senior Communications Manager France 2014

marketing Marketing Director France 2013

marketing Social Media Manager 2018

marketing In-App Content Specialist 2012

marketing Brand Designer France 2019

marketing Riders Admin Care Specialist 2011

marketing Marketing and Partnerships (intern) 2022

marketing Marketing & Partnerships (stage) 2023

marketing Assistante de communication en alternance 2022

marketing Assistant Category Manager (stage) 2020

marketing Category Manager & Achat (stage) 2024

marketing Graphiste (alternance) 2023

numérique Operations Analyst 2021

numérique Operations Analyst 2022

numérique Data-analyst 2022

numérique Data Science Intern 2023

RH HRBP (ressources humaines) 2021

RH Recruitment & Onboarding Coordinator 2021

RH Talent & People Development 2021

RH Lead People & Talent Acquisition 2019

RH Head of People France 2016

RH HR Admin Payroll 2017

RH People Operations Specialist 2021

RH People Operations Specialist 2021

RH People Operations Specialist 2020

RH Lead Payroll Manager 2011

RH Onboarding Manager 2010

RH Rider Operations Coordinator (pas manager) 2020

RH Rider Onboarding Coordinator 2018

RH Rider Onboarding Coordinator 2017

RH Stagiaire RH généraliste 2023

RH People Intern 2022

 CAJOO
Année de sortie d’école /
Catégorie Intitulé poste
prise de premier poste

direction Delivery Operations Lead 2016

direction Head of hub operations 2016

direction Co-founder & CTO 2016

direction Co-founder & COO 2016

direction Co-founder & CEO 2016

direction Expansion manager 2018

direction Expansion Lead & MOA 2019

direction Freelance Head of Growth 2017

direction Expansion Manager 2019

direction Responsable de l’excellence opérationnelle 2018

direction Logistics Project 2020

direction Operational Excellence Manager 2020

direction Delivery Operations Specialist 2017

direction CRM Manager 2019

direction Growth Manager 2018

direction Operational Excellence Lead 2021

direction Regional Manager 2018

direction Responsable Régional 2013

direction Supply Chain Lead 2021

direction Strategic Projects 2018

direction Transport Supply Chain Lead 2020

direction Hub Launcher Lead France 2019

direction Chef de projet transport 2021

direction Logistics Project Manager Intern 2023

direction Coordinateur logistique (intérimaire) 2023

direction Stagiaire expansion 2023

direction Contrôleur de gestion (stage) 2022

direction Supply Chain Coordinator (stage) 2022

juridico-financier Head of Finance 2018

juridico-financier Chief Financial Officer 1987

juridico-financier FP&A 2016

juridico-financier FP&A Junior 2021

juridico-financier Comptable général 2013

manager Hub Manager 2020

manager Hub Manager 2019

manager Hub Manager 2019

manager Hub Lead 2017

manager Pilote hub 2017

manager Hub manager 2009

manager Delivery Manager 2015

manager Hub Manager 2011

manager Hub Manager 2011

manager Hub Leader 2016

manager Hub leader 2012

marketing Pricing & Promotion Analyst 2019

marketing Pricing & Promotion Manager 2016

marketing Product Manager 2017

marketing Product Director 2012

marketing Category Manager Junior 2019

marketing Lead Product Manager 2016

marketing Junior Category Manager 2020

marketing Category Manager Assistante & Product Data 2021

marketing Category Manager & Buyer Senior 2017

marketing Acheteur indirect 2020

marketing Category Manager Junior 2019

marketing Junior Product Manager 2020

marketing Buyer / Category Manager 2014

marketing Head of Commercial France 2015

marketing Head of Customer Success 2014

marketing Head of Marketing 2013

marketing Product Designer 2021

marketing Brand Designer 2020

marketing Commercial Director 2013

marketing Senior Brand manager 2016

marketing Customer Care 2018

marketing Brand Designer 2020

marketing Customer Success Specialist 2007

marketing Customer Success Team Leader 2019

marketing Customer Success Specialist 2009

marketing Partnerships Manager 2020

marketing Community manager 2021

marketing Category Management Intern 2022

marketing Customer support (alternance) 2022

numérique Software Engineer 2020

numérique Head of Data 2014

numérique Data Scientist 2019

numérique Full-Stack Software Engineer 2021

numérique Full-Stack Software Engineer 2020

numérique Software Engineer 2001

numérique Data Full Stack 2019

numérique Data Engineer 2016

numérique Développeur React Native & full-stack 2014

numérique Data Engineer 2021

numérique Software Architect 2010

numérique Operations Specialist (développeur) 2025

numérique Tech Lead (développeur) 2020

numérique CTO's Right Hand (stage) 2021

numérique Data Analyst (stage) 2022

RH HR Manager HQ France 2016

RH Talent Acquisition Lead 2021

RH HR Ops 2020

RH Office & happiness manager 2017

RH Admin Payroll Specialist 2021

RH Talent Acquisition Junior (stage) 2024